Этот курс входит в специализацию ''Специализация Графические вероятностные модели '

4.6
звезд
Оценки: 296

Daphne Koller

19 777 уже зарегистрированы

от партнера

Специализация Графические вероятностные модели Стэнфордский университет

Об этом курсе

Недавно просмотрено: 9 224

Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems. 
This course is the third in a sequence of three. Following the first course, which focused on representation, and the second, which focused on inference, this course addresses the question of learning: how a PGM can be learned from a data set of examples. The course discusses the key problems of parameter estimation in both directed and undirected models, as well as the structure learning task for directed models. The (highly recommended) honors track contains two hands-on programming assignments, in which key routines of two commonly used learning algorithms are implemented and applied to a real-world problem.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 3 из 3 в программе

Специализация Графические вероятностные модели

Продвинутый уровень

Прибл. 66 часов на выполнение

Английский

Приобретаемые навыки

Algorithms
Expectation–Maximization (EM) Algorithm
Graphical Model
Markov Random Field

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 3 из 3 в программе

Специализация Графические вероятностные модели

Продвинутый уровень

Прибл. 66 часов на выполнение

Английский

Преподаватели

Оценка преподавателя

4,55/5 (оценок: 9)

Daphne Koller

Professor

School of Engineering

87 751 учащийся

3 курса

от партнера

Стэнфордский университет

Программа курса: что вы изучите

Неделя

Неделя 1

16 минут на завершение

Learning: Overview

16 минут на завершение

1 видео ((всего 16 мин.))

1 ч. на завершение

Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

1 ч. на завершение

6 видео ((всего 59 мин.))

2 ч. на завершение

Parameter Estimation in Bayesian Networks

2 ч. на завершение

5 видео ((всего 77 мин.))

Неделя

Неделя 2

21 ч. на завершение

Learning Undirected Models

21 ч. на завершение

3 видео ((всего 52 мин.))

Неделя

Неделя 3

18 ч. на завершение

Learning BN Structure

This module discusses the problem of learning the structure of Bayesian networks. We first discuss how this problem can be formulated as an optimization problem over a space of graph structures, and what are good ways to score different structures so as to trade off fit to data and model complexity. We then talk about how the optimization problem can be solved: exactly in a few cases, approximately in most others.

18 ч. на завершение

7 видео ((всего 106 мин.))

Неделя

Неделя 4

22 ч. на завершение

Learning BNs with Incomplete Data

22 ч. на завершение

5 видео ((всего 83 мин.))

Рецензии

4.6

Рецензии: 53

5 stars
71,62 %
4 stars
19,59 %
3 stars
5,40 %
2 stars
2,70 %
1 star
0,67 %

Лучшие отзывы о курсе PROBABILISTIC GRAPHICAL MODELS 3: LEARNING

от партнера LL29 янв. 2018 г.

very good course for PGM learning and concept for machine learning programming. Just some description for quiz of final exam is somehow unclear, which lead to a little bit confusing.

от партнера LC27 авг. 2018 г.

Great course, though with the progress of ML/DL, content seems a touch outdated. Would

от партнера MV29 апр. 2020 г.

Great course, especially the programming assignments. Textbook is pretty much necessary for some quizzes, definitely for the final one.

от партнера SJ19 апр. 2017 г.

Tougher course than the 2 preceding ones, but definitely worthwhile.

Посмотреть все отзывы

Специализация Графические вероятностные модели : общие сведения

Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems.

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Можно ли получить финансовую помощь?
Да. В некоторых программах обучения вы можете подать заявку на получение финансовой помощи или стипендии, если не можете оплатить регистрационный взнос. Если для выбранной вами программы предлагается такая возможность, вы увидите ссылку для подачи заявки на странице описания.
Learning Outcomes: By the end of this course, you will be able to
Compute the sufficient statistics of a data set that are necessary for learning a PGM from data
Implement both maximum likelihood and Bayesian parameter estimation for Bayesian networks
Implement maximum likelihood and MAP parameter estimation for Markov networks
Formulate a structure learning problem as a combinatorial optimization task over a space of network structure, and evaluate which scoring function is appropriate for a given situation
Utilize PGM inference algorithms in ways that support more effective parameter estimation for PGMs
Implement the Expectation Maximization (EM) algorithm for Bayesian networks
Honors track learners will get hands-on experience in implementing both EM and structure learning for tree-structured networks, and apply them to real-world tasks

Остались вопросы? Посетите Центр поддержки учащихся.

Probabilistic Graphical Models 3: Learning

Об этом курсе

Приобретаемые навыки